使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。

Jan, 2024

利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

Oct, 2023

基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

May, 2024

通过融合自动识别系统（AIS）数据和图像中检测到的船舶，我们提出了一种方法用于创建数据集，用于识别船只、姿态估计和自动标注管道。

Dec, 2023

使用高斯混合模型对内陆航运中的船舶轨迹进行预测，在预测中整合了自动识别系统和泄放测量数据，以提高轨迹预测的准确性。

Jun, 2024

本文针对海洋数据中存在时间奇异性的问题，使用神经网络建模，预测多艘船舶的 AIS 消息内容，以改善航线预测。在多个算法实验中，卷积层、前馈网络和递归神经网络的组合模型表现最佳。结果表明该模型有效地提高了航线预测的准确度。

Feb, 2022

通过合并船舶位移信息和空间信息，本研究提出了一种上下文敏感的分类转换器，用于改进船舶轨迹预测的空间感知能力，并通过在推理期间启用辍学来评估模型不确定性。该方法在不同内陆水道上进行了训练，分析了其可推广性，显示出较低的预测误差和对每个预测的可信度估计，更适用于内陆航行中的安全关键应用。

Jun, 2024

本文提出了一种基于概率密度的轨迹构建方法，并通过一个典型应用 —— 根据起讫点预测到达时间（ETA），进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天（即 2.544 小时），标准偏差为 0.549 天（即 13.176 小时）。而该方法的准确率为 92.08%，R-Squared 值为 0.959。

May, 2022

城市交通正在发生转变，通过共享、连接和协作的自动驾驶车辆的出现。然而，为了被顾客接受，对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统，利用分别针对停留时间和行驶时间的模型，并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外，我们还探索了使用图神经网络（GNN）集成空间数据的好处。为了准确处理穿梭车跳过站点的情况，我们提出了一个分层模型，组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的，在预测多站点时也显示出较低的错误率。然而，并无一种单一模型在各方面都表现出优势，我们提供了影响模型选择过程的试点站点特征的见解。最后，我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解，并为领域的进一步发展铺平了道路。

Jan, 2024

用机器学习方法，通过两年的加拿大西海岸渡轮真实数据集，针对动态和静态状态、行动和干扰，创建了一个时间序列预测模型，用于预测动态状态，为评估渡轮在船长指导下的操作效能提供工具，并为未来的优化算法打下基础，并提供了决策过程的有价值的反馈。

Mar, 2024